李飞飞等人的新研究可能让人工智能真的不需噪声崇左切條机滚丝轮护眼台灯Kf

李飞飞等人的新研究，可能让人工智能真的不需要人了

李飞飞等人的新研究，可能让人工智能真的不需要人了

09:03来源://

原标题：李飞飞可实现用国标GB/T 4156⑵007《金属材料 薄板和薄带埃里克森杯突实验》检验金属薄板和带材在实验进程中的塑性变形性能等人的新研究，可能让人工智能真的不需要人了

电导仪器

比人的认知经验更丰富。

你可能听说过，在河南的农村里，在非洲的城市中，每一个你想象不到的地方，有着大量的数据标注员。

他们手动在图片里把每一只花瓶和每一辆汽车框出来，并且标上“花瓶”和“汽车”。一段时间后，这些人把成千上万张标记好的图片打包，发送给远在北京、上海甚至旧金山的 ai 公司。

gq 将这些人称为《那些给人工智能打工的人》。

人工智能发展迅速，大大小小的互联科技公司相继开展研究，投入商用。然而训练一个可用的 ai，需要大量准确标记好的图片、视频等资料。

正因为此，市场对数据标注的需求如此之大，吸引“那些给 ai 打工的人”争相加入，其中不乏原来找不到工作的闲散人员——毕竟这份工作只需要动动鼠标，用不上太多知识。

但是，恐怕不久后，这些人就将再次失业。

上周，来自约翰·霍普金斯大学、斯坦福大学和 google 的专家联合发布了一篇论文，介绍了他们使用神经络来自动搜索神经络，将其投入图像分割方面的研究，并且取得的重要进展：

研究人员采用神经架构搜索 (neural architecture seartch, nas) 技术设计了一个神经架构 (a)，放任它去自动搜索/设计出新的神经架构 (b)，投入到图像语义分割 (semantic image segmentation) 的任务中。

研究人员发现，这个被自动搜索出来的神经架构 b，在主流的小规模图像数据集上，未经训练就直接使用，表现已经超过了现有人类设计的、预先训练好的模型。

以往人们一直相信，设计 ai 需要大量知识和经验，简而言之就是需要人来设计。

但现在，ai 设计出的 ai，已经比人设计出的 ai 更强。

论文的标题叫做： auto-应检查吊环是不是挂在重点刀刃上deeplab: hierarchical neural architecture search for semantic image segmentation

研究人员将这个能够自动搜索（设计）神经架构的技术命名为auto-deeplab。这个名字来自于 deeplab，google 人工开发的图像语义分割技术。前面加上 auto，意思是在 deeplab 的基础上，新的技术可以实现了很大程度的自动化。

论文署名作者当中，两人来自约翰·霍普金斯大学，其中第一作者是 chenxi liu，曾在 google 实习；有四人来自 google；剩下的一人来自斯坦福大学，正是原 google cloud 首席科学家，在计算机视觉学术和业界知名的李飞飞教授。

“本着 automl（编者注：google 主导的 ai 计划，将算法选择，模型的超参数调整，迭代建模和模型评估等工作自动化。）和人工智能普及化的精神，对于不依赖专家经验知识，自动设计神经络架构，人们的兴趣有了显著提升。”作者提到。

在“ai 自动设计 ai”这件事上，auto-deeplab 有几个比较重要的新尝试。

首先，神经架构搜索 nas 技术是 ai 领域的新兴物种，主要用于简单的图片分类。而在这篇论文里，研究者首次尝试将 nas 投入到高密度的图片预测任务上（也就是对更复杂的高分辨率图片进行语义分割雕刻刀，比如 cityscapes 城市街景数据集、pascal voc 2012 和ade20k 等数据集）。

其次，在计算机视觉领域内的神经络架构，通常分为内层、外层的两级架构，自动化的神经架构设计往往只能设计内层，外层仍需要人来设计和手调。而 auto-deeplab 是第一个让 ai 掌握外层设计和调参能力，并在图像语义分割任务上得到优异结果的尝试。

“图像语义分割”六个字听上去有点拗口，其实很好理解：对于一张图划分几个类别，然后将所有的像素点归类。

比如下面这张图，可以简单分为三类。图像语义分割的任务，就是判断每一个像素点属于人、自行车，还是背景。

需要明确的是，图像语义分割的任务纯粹是判断像素点属于哪个类别，它不能识别和区分独立的物体。

不过图像语义分割仍然有很重要的意义，比如在它可以用于拍照的“人像模式”。采用更优秀的图像语义分割技术，能够在更高精度的照片里确认每一个像素点，属于人，亦或是背景。

目前 google、小米等公司都在拍照上使用这一技术。理论上，未来的“人像模式”可以在毛发、衣物边缘实现更好的效果。

以及在自动驾驶的场景里，神经络需要判断挡在前面的是车、行人还是建筑物，进而采用不同策略进行躲避，这同样需要图像语义分割来打基础。

从该论文体现的效果来看，auto-deeplab 还可以被转移到其他任务上。言外之意，让 ai 自动设计 ai 这件事，可能还会有很大的想象空间。

比如作者在论文最后提到，在目前的研究框架内，他们可以继续在物体识别的处理方法为:①电撅取自计算机方向进行研究。

如果能够取得类似的结果，大规模使用，没准有一天，在数据标注（特别是图像标注）这件事上，人类标注员的成本等优势可能也会消失。

如果人工智能可以给人工智能打工，打工效率比人还高……

“那些给人工智能打工的人”，会失去工作吗？

转载声明：本文转载自「硅星人」，搜索「guixingren123」即可关注。作者：光谱

（点击图片阅读）

：

声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。

阅读 ()

痘痘发炎红肿涂药膏能消吗
皮肤抗衰保养方法
小孩腹泻几次会导致脱水
马拉色菌真菌性皮肤病